Simba 3.5 vs Qwen-Audio-3.0-TTS: два способа решить языковую проблему, но задокументирован только один из них

Оба SpeechifyAI Simba 3.5 и Alibaba Qwen-Audio-3.0-TTS прочитают ваш сценарий на языках, отличных от английского. Они идут к этому противоположными путями. Simba 3.5 публикует список: 48 языков, один идентификатор модели, каждый голос из каталога говорит на всех них, а эстонский и кантонский указаны как исключения. Qwen-Audio-3.0-TTS публикует поле инструкции, а задокументированный способ заставить его говорить по-нидерландски — отправить ему предложение «Говори по-нидерландски, медленно и чётко». Один из них — спецификация, из которой можно построить матрицу локалей. Другой — промпт, и разница между ними — самое полезное в этом сравнении.

Здесь возраст тоже имеет значение, причём так, как обычно не бывает. Qwen-Audio-3.0-TTS вышла 20 июля 2026 года, и с тех пор её на вершине линейки Alibaba вытеснила Qwen-Audio-3.1-TTS-Plus, которая сейчас занимает третье место в рейтинге Controlled Voice. Уровень 3.0 Plus по-прежнему указан в списке и по-прежнему имеет более сильную измеренную позицию в Provider Voice. Simba 3.5 появилась 21 октября 2026 года и уже три недели следует ценовому графику, который успела один раз пересмотреть.

Числа, рядом друг с другом там, где они есть

Artificial Analysis оценивает обе модели в обоих рейтингах, что делает это одним из немногих сравнений в сфере речевых технологий, где можно сопоставлять сопоставимое, а не экстраполировать данные от предшественника.

• Контролируемый голос — SpeechifyAI Simba 3.5, ранг 1, Elo 1 192, плюс-минус 17, 1 783 образца

• Управляемый голос — Alibaba Qwen-Audio-3.0-TTS-Plus, место 10, Elo 1 130, плюс-минус 12, 3 596 образцов

• Голос провайдера — SpeechifyAI Simba 3.5, 5-е место, Elo 1 294, плюс-минус 17, 1 732 образца

• Голос провайдера — Alibaba Qwen-Audio-3.0-TTS-Plus, место 10, Elo 1 264, плюс-минус 13, 3 056 образцов

• Контролируемый голос — Alibaba Qwen-Audio-3.1-TTS-Plus, 3-е место, Elo 1 176, плюс-минус 12 — более новая модель Alibaba, и за ней стоит следить

• Цена на панели — Qwen-Audio-3.0-TTS-Plus: $19.31 за миллион символов на обеих панелях; Simba 3.5 указан по $6.58 — это ставка, встроенная в план, которая не соответствует опубликованному прайс-листу Speechify.

Simba 3.5 лидирует с отрывом в 62 балла в контролируемой таблице лидеров и в 30 — в таблице провайдеров, причём в обоих случаях интервалы чётко разделяются. Это однозначный результат по качеству в пользу Simba, и стоит отметить, что его не объясняет: размер выборки. За оценкой Qwen-Audio-3.0-TTS-Plus стоит вдвое больше голосов в контролируемом голосовом режиме, так что это хорошо измеренное значение 1 130, а не шумное.

Любопытный нюанс — собственная линейка Alibaba. Qwen-Audio-3.1-TTS-Plus находится на 46 пунктов выше Qwen-Audio-3.0-TTS-Plus в контрольной таблице, а это значит, что модель Alibaba текущего поколения гораздо ближе к Simba 3.5, чем модель 3.0. Любой, кто сравнивает с уровнем 3.0, измеряет модель, которую уже один раз улучшили.

Сорок восемь языков из списка в сопоставлении с полем инструкции

Документация Speechify необычно конкретна для речевого API. 48 языков Simba 3.5 можно перечислить; каждый голос из каталога — а также каждый клонированный голос платного плана — говорит на всех них, и модель принимает стандартный языковой тег в стиле BCP-47, например ja-JP, причем в область действия входит любой региональный вариант языка из списка. Исключенная пара — эстонский и кантонский — названа. Speechify также отмечает, какие голоса являются выбором сотрудников в каждой локали, и ранжирует их с помощью поля staff_pick_rank, поскольку голос сохраняет акцент исходной записи, а сама компания рекомендует генерировать с помощью голоса носителя этого языка.

Подход Alibaba гибок в другом направлении. Qwen-Audio-3.0-TTS принимает инструкцию на естественном языке, описывающую подачу — темп, эмоции, персону — и документированная методика для целевого языка состоит в том, чтобы указать это в инструкции, причём инструкция должна соответствовать языку текста. Он также поддерживает явное управление произношением через language_hints и hot_fix, ввод SSML и LaTeX, а также встроенные теги эмоций и невербальных звуков, такие как [excited], [sad], [laughing] и [sighing]. Запросы без потоковой передачи возвращают URL аудио, действительный в течение 24 часов; потоковая передача возвращает фрагменты base64. Модель обслуживается из Сингапура и Пекина.

Этот словарь тегов — реальное преимущество, и Simba 3.5 ему не соответствует. Speechify применяет break, prosody rate, prosody pitch, prosody volume и sub alias; теги emphasis и emotion принимаются, но не применяются. Если вашему продукту нужен смех в середине реплики или вздох в конце неё, Qwen-Audio-3.0-TTS уже делает это сегодня, а Simba 3.5 — нет.

Компромисс очевиден, стоит его сформулировать: Qwen даёт выразительный контроль, а поддержку языков оставляет на откуп прозе; Speechify даёт перечислимый список языков и более узкую выразительную поверхность. Для конвейера локализации перечислимый список ценнее, потому что матрицу локалей можно тестировать, указывать в техническом задании и использовать как критерий провала сборки. «Говори по-нидерландски, медленно и чётко» — это то, что приходится слушать.

Цены, преобразованные в число, которое можно сравнить

Alibaba тарифицирует синтез по вводимым символам в юанях, причём региональные ставки различаются между развёртываниями в Пекине и Сингапуре. Qwen-Audio-3.0-TTS-Plus указан по цене ¥1,4 за 10 000 символов в Пекине; тариф Flash — ¥1,0. Artificial Analysis приводит тариф Plus к значению $19,31 за миллион символов — именно эту цифру следует использовать, если вы сравниваете с поставщиком, работающим в долларах, а не составляете региональный бюджет. Каждая указанная модель Qwen-Audio имеет бесплатный лимит в один миллион токенов в Пекинском регионе на 90 дней с момента активации или выпуска — в зависимости от того, что наступит позже.

{{1}}Speechify{{/1}} публикует цены в долларах за миллион символов и уже однажды передумал:

• Simba 3.5, по прайс-листу с 22 ноября — $15.00 за миллион на тарифе Starter, $12.00 на Pro, $10.00 на Scale

• Simba 3.5, по 21 ноября — $10.00, $8.00 и $6.00, тарифы Simba 3.2 и 3.0

• Simba 3.5, первоначальный прайс-лист на 21 октября — $20, $16 и $12, заменённый снижением цен 9 ноября

• Simba 3.2 и Simba 3.0 — $10, $8 и $6 за миллион символов, без изменений

По прайс-листу Simba 3.5 составляет примерно от половины до трёх четвертей опубликованной ставки Qwen-Audio-3.0-TTS-Plus в зависимости от тарифа, а в период действия предложения — от трети до половины. Ни один из вариантов не дорог в абсолютных цифрах — пять миллионов символов в месяц обойдутся менее чем в $100 в любом из них, — поэтому цена вряд ли станет решающим фактором, если только вы не работаете с очень большим каталогом. А вот языковой охват и контроль выразительности, вероятно, будут.

Как дата 21 ноября влияет на это решение

Идентификаторы Simba 1.6 от Speechify — simba-english и simba-multilingual — были исключены из выбора в версии API 2026-09-21. С 21 ноября 2026 года оба обслуживаются Simba 3.5 на всех языках и тарифицируются как simba-3.5 в любой версии API, где их ещё можно указать. Интеграция, которая использует simba-multilingual с лета, в эту дату сменит голос и цену без изменения кода.

У Alibaba нет эквивалентного запланированного события в этом сравнении. Qwen-Audio-3.0-TTS по-прежнему указан рядом с SKU 3.1, а линейка 3.1 тарифицируется в другой единице — токенах, а не символах, — поэтому два поколения нельзя сравнить, разделив одну ячейку тарифной сетки на другую. Если вы сегодня используете 3.0, переход на 3.1 — это настоящий проект, а не изменение идентификатора модели в одной строке, и разрыв в 46 пунктов на контролируемом стенде между двумя уровнями — причина запланировать его.

Где каждый из них — верный выбор

Выбирайте Simba 3.5, если ваша задача — широта в рамках одного идентификатора голоса: продукт, который несёт один голос бренда на десятки локалей, архив, который нужно перерендерить на языках, на которых никто в команде не говорит, или озвучивание для доступности, где один и тот же клонированный голос должен сопровождать пользователя при переходе с английского на испанский, не звуча при этом как другой человек. Именно учтённый список языков, рейтинг, составленный сотрудниками, и zero-shot-клонирование без одобрения делают это возможным, а преимущество в 62 балла по контролируемой панели означает, что качество сохраняется, когда голос не тот, который выбрал поставщик.

Выбирайте Qwen-Audio-3.0-TTS, если ваша задача — производительность, а не покрытие: работа с аудиокнигами и подкастами, где тег [excited] оправдывает себя, контент с приоритетом на путунхуа, где каталог голосов и средства управления произношением от Alibaba наиболее проработаны, или развёртывание, которое должно размещаться в регионе Сингапура или Пекина. Поле инструкции действительно выразительнее того, что предоставляет Speechify, а нестриминговый URL и пути SSE-чанков охватывают как пакетный, так и живой рендеринг.

OrcaRouter не предоставляет ни одну из этих линий — Simba доступен через собственный API Speechify, Qwen — через Alibaba Cloud Model Studio — и ничто здесь не должно восприниматься как утверждение об обратном. Мы маршрутизируем лишь меньший каталог синтеза, который служит нейтральным контролем при тестировании: openai/tts-1 по цене $15.00 за миллион символов, а openai/tts-1-hd — по $30.00, оба по цене из прайс-листа провайдера без наценки, а также google/gemini-3.1-flash-tts-preview. Синтез одного и того же трёхминутного сценария через них и через обоих кандидатов — самый дешёвый способ разрешить вопрос, который два лидерборда могут лишь сузить.

Та часть, которую оба поставщика оставляют вам выяснять самостоятельно.

Ни одна из моделей не скажет вам, достаточно ли хорош её вывод на неанглийском языке для вашей аудитории, и арена тоже этого не сделает: панель Controlled Voice — это оценка на английском языке по восьми английским эталонным голосам, четырём американским и четырём британским. Преимущество в 62 балла, измеренное на английском, ничего прямо не говорит о японском, польском или бразильском португальском. Ответ Speechify — указать на выбор сотрудников для каждой локали; ответ Alibaba — указать на инструкции и список голосов. Оба просят вас послушать.

Это честный итог по этой паре. Один новее, дешевле по каталожной цене, лучше показывает себя в замерах на английском и задокументирован вплоть до количества языков. Другой более выразителен, прочнее укоренён в работе с китайским языком, находится на середине смены поколений и управляется полем инструкций, а не спецификацией. Протестируйте оба на двух локалях, которые действительно приносят вам выручку, и остальная часть этого сравнения станет фактором для разрешения ничьей, а не самим решением.